В данном исследовании анализируется относительный вклад выбора климатической модели, метода коррекции систематических ошибок и сценария выбросов в неопределённость прогнозов приземной температуры воздуха, осадков, температуры по влажному термометру (WBGT) и производительности труда — от глобального до локального масштаба. Оценка четырнадцати моделей проекта CMIP5 проводилась на основе данных реанализа JRA-55 с использованием методов линейного масштабирования и квантильного отображения; статистическая значимость результатов проверялась с помощью t-критерия Стьюдента, а неопределённость разлагалась на составляющие, отражающие вклад внутренней изменчивости, моделей и сценариев. Коэффициенты коррекции ошибок, полученные на основе исторических данных (1960–2005 гг.), применялись к будущим периодам для сценариев RCP2.6, RCP4.5 и RCP8.5. Кроме того, для реконструкции климатических полей при широком спектре значений концентрации CO₂-эквивалента использовался инструмент машинного обучения QuickClim, что позволило провести расширенный анализ чувствительности. Результаты показывают, что метод квантильного отображения в целом превосходит линейное масштабирование при коррекции данных об осадках и температуре, хотя оба метода существенно снижают систематические ошибки. Разложение неопределённости выявило, что в прогнозах температуры доминирующим фактором в ближайшей перспективе является выбор модели, тогда как к концу столетия на первый план выходит выбор сценария; в то же время неопределённость исходных данных по осадкам обусловлена ​​преимущественно различиями между моделями, однако после коррекции ошибок со временем возрастает влияние сценария. Неопределённость будущих прогнозов существенно возрастает при переходе от глобального масштаба к локальному. Моделирование с помощью QuickClim также показало, что более высокие концентрации CO₂-эквивалента усиливают неопределённость прогнозов температуры, тогда как неопределённость осадков возрастает главным образом при уменьшении пространственного масштаба. На локальном уровне метод квантильного отображения даёт более высокие значения прогнозируемой температуры по влажному термометру и большие потери производительности труда по сравнению с линейным масштабированием, что подчёркивает важность выбора метода коррекции ошибок при оценке региональных климатических рисков.

Ссылка: https://link.springer.com/article/10.1007/s10584-026-04250-0

Недавние исследования показывают, что потепление ускоряет континентальную засуху, но эти выводы основаны на индексах засухи, использующих потенциальное испарение типа Пенмана. Хотя оно широко используется и может подходить для территорий, не испытывающих дефицита воды или орошаемых, оно может завышать испарительную потребность в более широких пространственных масштабах, игнорируя ограничения, связанные с взаимодействием суши и атмосферы; энергетические формулы потенциального испарения типа Пенмана могут устранить это ограничение. Применяя несколько формул потенциального испарения типа Пенмана для расчёта стандартизированного индекса осадков и испарения (Standardized Precipitation Evapotranspiration Index, SPEI) за период 1981–2024 гг., авторы показали, что методы типа Пенмана искусственно завышают вклад потенциального испарения в тенденции SPEI, что приводит к тенденциям засухи, по меньшей мере, в шесть раз более сильным, чем энергетические SPEI, в зависимости от интенсивности, частоты и продолжительности засухи. Авторы не обнаружили значительного ускорения тенденций засухи на ~99% квазиглобальной площади суши ни при одном из типов потенциального испарения типа Пенмана. Этот вывод остаётся устойчивым в масштабах столетий (1901– или 1950–2024 гг.). Таким образом, сообщаемое ускорение засухи в значительной степени отражает неточные методы оценки потенциального испарения и нечёткие аналитические модели, а не истинную экогидрологическую реакцию на потепление, что имеет важные последствия для оценки климатических рисков и планирования адаптации.

Ссылка: https://www.nature.com/articles/s43247-026-03954-6

Чёрный углерод — это кратковременно существующий климатически активный агент, представляющий собой совокупность твёрдых частиц с различными физическими, химическими и оптическими свойствами. Однако в современных оценках глобального климата чёрный углерод рассматривается как единое вещество, без учёта различий в свойствах его подтипов, что вносит значительную неопределённость в оценку его влияния на климат. Авторы оценивают климатическое значение этой неоднородности, используя около 2500 результатов термооптических измерений углеродных фракций из различных источников выбросов, чтобы сформировать глобальный реестр, разделяющий чёрный углерод на «чар» (char) — фракцию, слабо поглощающую свет, — и «сажу» (soot), поглощающую свет более интенсивно; охват данных составляет период с 1750 по 2019 гг. Был выявлен рост доли сажи в общем объёме антропогенных выбросов чёрного углерода: с 16% в 1750 году до 35% в 2019 году, что было вызвано прежде всего увеличением потребления ископаемого топлива. Эти изменения, согласующиеся с данными анализа донных отложений, указывают на то, что современные выбросы чёрного углерода обладают более высоким потенциалом глобального потепления в пересчете на единицу массы по сравнению с выбросами начального этапа индустриальной эпохи. Полученные результаты подчёркивают необходимость учёта различных подтипов чёрного углерода в климатических моделях и важность приоритетного сокращения выбросов из источников, характеризующихся высоким содержанием сажи.

Ссылка: https://www.nature.com/articles/s41561-026-02085-z

В точном земледелии всё чаще применяются основанные на анализе данных методы для решения задач мониторинга стрессового состояния культур и засухи в условиях меняющегося климата. В связи с этим необходима инновационная система на базе глубокого обучения для оценки динамики стресса растений, способствующая повышению продуктивности сельского хозяйства и обеспечению региональной продовольственной безопасности, поскольку традиционные модели зачастую не способны уловить тонкие пространственные и спектральные вариации, что ограничивает точность и обобщающую способность результатов. Для решения этих проблем был предложен инновационный адаптивный подход, использующий многовременные спутниковые снимки Sentinel-2, полученные для территории деревни Халдхармау (округ Гонда, штат Уттар-Прадеш, Индия). Модель эффективно объединяет локальные спектральные и пространственные характеристики с более широкими контекстными признаками, обеспечивая классификацию культур и выявление стрессовых состояний для нужд точного земледелия. Карты стресса и засухи были созданы с использованием гибридной модели классификации (CNN+ViT) в сочетании с данными индексов NDVI и NDWI для оценки изменчивости состояния культур под воздействием засухи в период 2023–2025 гг. Ежемесячные (с января по июнь) карты стресса, полученные в ходе этого процесса, дают ценную информацию о временных закономерностях воздействия неблагоприятных условий на посевы. Предложенная система позволяет получить количественные данные о временных и пространственных аспектах уязвимости и устойчивости сельскохозяйственных культур в условиях полузасушливых агроландшафтов. Таким образом, данная разработка совершенствует методы моделирования в точном земледелии за счёт интеграции спутниковых снимков, технологий глубокого обучения и фенологического анализа, а также может быть легко адаптирована для других подверженных засухе регионов с аналогичными системами земледелия.

Ссылка: https://www.nature.com/articles/s41598-026-70304-z

Точный выбор сельскохозяйственных культур — ключевой фактор, определяющий продуктивность фермерского хозяйства с учётом различных характеристик почвы и климатических условий. Большинство современных рекомендательных систем на базе искусственного интеллекта ограничиваются прогнозами или общими советами, не обеспечивая достаточной прозрачности в отношении обоснования конкретных рекомендаций по выбору культур. В данной статье представлена ​​система KRISHI.AI (название образовано от слова «krishi», означающего на хинди «сельское хозяйство», и аббревиатуры AI — «искусственный интеллект») — платформа на базе объяснимого искусственного интеллекта, предназначенная для рекомендаций по выбору сельскохозяйственных культур на основе анализа данных. Система подбирает подходящие культуры, используя семь агрономических и экологических параметров: содержание азота (N), фосфора (P) и калия (K), уровень pH почвы, температуру, влажность и количество осадков. Решение объединяет модель многоклассового прогнозирования на базе алгоритма LightGBM с методами интерпретации признаков (SHAP) и контрфактическим анализом («что, если») с учётом агрономических ограничений; это позволяет объяснить причины выбора конкретной культуры и показать, как возможные изменения входных условий могут повлиять на рекомендацию. Система использует ансамбль деревьев решений с градиентным бустингом (LightGBM) для формирования высокоточных рекомендаций по 22 классам культур, достигая точности на тестовой выборке 99,39% и макро-усреднённого показателя F1, равного 0,9900. Прогнозы дополняются визуализацией вклада признаков (на основе метода SHAP) и контрфактическим анализом, разъясняющим влияние входных факторов на рекомендации и то, как изменение условий на поле сказывается на пригодности культур. Количественная оценка модуля контрфактического анализа, проведённая на 100 тестовых примерах, показала уровень валидности 94,60%, среднее расстояние изменений признаков по метрике L1, равное 0,18, и среднее число изменённых признаков (2,10) на сценарий, что подтверждает практическую достоверность и лаконичность (разреженность) генерируемых объяснений. Функциональные возможности системы реализованы через интерактивную веб-панель на базе Streamlit, обеспечивающую интуитивно понятную обратную связь в реальном времени и позволяющую фермерам и специалистам сельского хозяйства анализировать различные сценарии принятия решений без необходимости обладать техническими знаниями. Объединяя высокую точность прогнозирования с ориентированной на пользователя интерпретируемостью в рамках единого легковесного решения (модель объемом 4,3 МБ, время отклика 187 мс), KRISHI.AI способствует внедрению доступных и надёжных систем поддержки принятия решений в высокотехнологичном сельском хозяйстве, что особенно актуально для мелких фермерских хозяйств Индии. Показатель 189,3 мс соответствует конфигурации, использованной для профилирования методом абляции, тогда как 187 мс отражает типичную сквозную задержку развёрнутого конвейера обработки данных, зафиксированную в ходе основного эксперимента по вычислительному профилированию. Указанную точность следует рассматривать как эталонный показатель эффективности, а не как свидетельство готовности прогностической модели к непосредственному применению в полевых условиях. поскольку равномерно сбалансированный набор данных не учитывает такие факторы, как шум измерений, пропущенные значения, пространственная неоднородность и сезонная изменчивость, характерные для реальных условий сельского хозяйства. Тем не менее, конвейер интерпретируемости и архитектурные решения создают воспроизводимую основу для прозрачных систем искусственного интеллекта в сельском хозяйстве.

Ссылка: https://www.nature.com/articles/s41598-026-68815-w

Повышение температуры увеличивает продолжительность вегетационного периода за пределами тропиков, что потенциально может привести к росту общей биомассы деревьев и, как следствие, к увеличению объёма углерода, депонируемого в лесах. Однако потепление может вызывать засуху, ограничивающую прирост древесины. Кабон и его коллеги (Cabon et al.) исследовали этот вопрос, сопоставив скорость и продолжительность формирования древесины с климатическими условиями на основе прямых измерений образования клеток камбия у 27 видов хвойных деревьев в более чем 100 точках наблюдения. Хотя более длительный вегетационный период в более тёплых районах способствовал увеличению годового выхода клеток, этот показатель в большей степени зависел от скорости роста. Скорость роста достигала максимума при температуре около 6°C; это позволяет предположить, что потепление может привести к снижению прироста древесины у хвойных пород, несмотря на увеличение продолжительности вегетационного периода.

Потепление климата увеличивает продолжительность продуктивного сезона в лесах внетропических широт. Однако данные о том, приводит ли это к усилению роста деревьев и повышению способности лесов депонировать углерод, остаются неоднозначными. В данном исследовании авторы использовали метод клеточных наблюдений за формированием древесины у хвойных пород (в диапазоне от бореальных до полузасушливых лесов), чтобы оценить относительную значимость скорости роста камбия и продолжительности сезона для годового выхода клеток — ключевого процесса, определяющего прирост древесины. Было установлено, что именно скорость роста является основным фактором, определяющим годовой выход клеток. Кроме того, если продолжительность вегетационного периода увеличивается вместе с ростом среднегодовой температуры, то скорость роста демонстрирует оптимум на уровне ~6°C; при превышении этого порога усиление засушливости нивелирует выгоды от увеличения периода роста. Таким образом, негативное влияние потепления на внутрисезонную динамику роста может в значительной степени перевесить преимущества, связанные с удлинением вегетационного периода, в контексте будущего накопления углерода в лесах.

Ссылка: https://www.science.org/doi/10.1126/science.aec8866

Хотя морской лёд покрывает лишь около 9% Мирового океана, его наличие и отсутствие значительно изменяют энергетический баланс климата Земли. Из-за географических различий морской лёд в Арктике и Антарктике имеет разные доминирующие свойства и процессы, которые, в свою очередь, приводят к различным реакциям на естественную изменчивость и антропогенные изменения климата. В этом обзоре рассматриваются изменения свойств и процессов морского льда в Арктике и Антарктике. Сезон таяния в Арктике увеличился примерно на 7,4 дня за десятилетие в период 1979–2024 гг., наряду с уменьшением толщины зимнего морского льда (в среднем 1,6 м за период 1980–2023 гг.), летнего поверхностного альбедо (0,03 за десятилетие за период 1979–2020 гг.) и весенней глубины снега (2,5 см за десятилетие за период 1954–2024 гг.). Изменения в Антарктике меньше, чем в Арктике, из-за контрастных региональных и временных тенденций. С динамической точки зрения, движение морского льда в обоих полушариях увеличилось на 0,63 см/с за десятилетие в Арктике (1978–2024 гг.) и на 0,69 см/с за десятилетие в Антарктике (1982–2024 гг.), в то время как тенденции образования полыней различаются по регионам. В данном обзоре освещаются основные пробелы в знаниях и даются рекомендации по совместным усилиям в моделировании и наблюдении для улучшения понимания морского льда и его роли в климатической системе Земли.

Ссылка: https://www.nature.com/articles/s43017-026-00816-9

Площадь арктического морского льда (ПМЛ), высокоточный наблюдаемый показатель, является ключевым индикатором для оценки состояния морского льда и его физической эволюции. Экстремальные потери ПМЛ часто вызывают дискуссии о потенциальном переломном поведении Арктики и нелинейных пороговых реакциях. Используя данные о ПМЛ Арктики за период с 1979 по 2025 гг., в данном исследовании изучались долгосрочное сокращение, аномальные годы, резкие изменения и фазы частичного восстановления. Авторы выявили три ключевых экстремальных года (2012, 2020 и 2025 гг.) в рамках тенденции к сокращению ПМЛ Арктики. Они характеризуются устойчиво низкими значениями, близкими к рекордно низким годовым минимумам и беспрецедентной частотой ежедневных рекордно низких значений соответственно. Ежемесячный ряд данных об площади морских экосистем был разложен на трендовую, сезонную и остаточную составляющие, и впоследствии авторы выявили 2001, 2007, 2012 и 2020 годы как точки резкого изменения (ТРП) в тренде. Однако за каждой ТРП следует частичное восстановление площади морских экосистем. Эти результаты показывают, что ТРП представляют собой значительные возмущения в годовом масштабе изменчивости площади морских экосистем.

Ссылка: https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2026GL122769

Модели поверхности суши, такие как модель Community Land Model версии 5 (CLM5), играют центральную роль в оценке климатических и углеродных процессов, но демонстрируют устойчивые отклонения по сравнению с наблюдениями на уровне отдельных участков. Остаётся неясным, в какой степени несоответствия между модельными оценками и данными возникают из-за неопределённости метеорологического воздействия, свойств почвы или характеристик растительности, и в какой степени они, наоборот, отражают структурные недостатки. Авторы оценили влажность почвы на поверхности и в корневой зоне (SM, SMr), эвапотранспирацию (ET), поток явного тепла (H), чистый экосистемный обмен (NEE) и валовую первичную продукцию (GPP) на 14 европейских пунктах наблюдения методом вихревой ковариации, используя ансамбли CLM5 из 128 элементов, в которых были изменены (а) атмосферные входные данные, (б) параметры почвы и (в) параметры растительности. Параметры почвы доминируют в разбросе ансамбля в SM/SMr, тогда как параметры растительности - в разбросе в ET, H, NEE и GPP. Несмотря на это, сохранялись существенные средние отклонения (0,18 см³ см⁻³ для SM, −0,22 мм сут⁻¹ для ET, −19,7 Вт м⁻² для H, −1,83 гC м⁻² сут−1 для GPP и 1,16 гC м⁻² сут⁻¹ для NEE), и 99%-ные ансамблевые интервалы не охватывали многие наблюдения. Процент охвата (CP; доля наблюдений в 99%-ном ансамблевом интервале) составил 74,3% (SM), 74,6% (SMr), 68,8% (ET), 47,7% (H), 65,1% (NEE) и 70,1% (GPP). В ходе сопутствующего эксперимента CLM5-SP (Satellite Phenology) с заданным индексом листовой поверхности (LAI) ICOS было подтверждено, что прогностические ошибки LAI в CLM5-BGC (Biogeochemistry) являются основной структурной причиной дефицита покрытия SM/SMr и GPP, в то время как связь углерода и азота в BGC лучше отражает изменчивость ET и H. Диагностика CP позволяет разграничить параметрические и структурные режимы ошибок для различных переменных и функциональных типов растений.

Ссылка: https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2026JG009768

Главными темами номера являются: 

• Очередное заседание Научно-технического совета Федеральной службы по гидрометеорологии и мониторингу окружающей среды, 23 сентября, Москва
• Программа ООН по окружающей среде (ЮНЕП): Доклад «Ограничение превышения»

Также в выпуске:

• • 12-я встреча министров окружающей среды стран БРИКС и Диалог высокого уровня БРИКС по борьбе с изменением климата
  • Запущена самая северная станция мониторинга парниковых газов в рамках национальной сети карбоновых полигонов
  •  Дальнейшее развитие сети карбоновых полигонов обсудили в Минобрнауки России
  • В Департаменте природопользования рассказали, какие меры позволят Москве успешно адаптироваться к изменению климата
  • В Тамбовской области готовят климатический атлас региона
  • В рамках Восточного экономического форума во Владивостоке прошла сессия «Экономика Дальневосточного региона в условиях глобального изменения климата»
  • Учёные расширят сеть автоматизированных станций для наблюдения за климатом в Арктике
  • Новые публикации в российских и зарубежных научных изданиях
  • ООН: Снижение риска стихийных бедствий занимает центральное место в переговорах по глобальному договору о борьбе со стихийными бедствиями 
  • ВМО опубликовала Доклад о состоянии мировых водных ресурсов за 2025 год 
  • Экономический урон от природных катастроф в первой половине 2026 составил около 100 миллиардов долларов

"Изменение климата" №122 за август - сентябрь 2026г.